[發明專利]圖像分類模型訓練方法、圖像分類方法及對應裝置

有效

• 申請號: 202010834837.1
• 申請日: 2020-08-18
• 公開（公告）號: CN111950643B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 秦永強;李素瑩;宋亮;高達輝
• 申請（專利權）人: 創新奇智（上海）科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/80;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 鐘揚飛

1.一種圖像分類模型訓練方法，其特征在于，包括：

將訓練圖像輸入至第一神經網絡進行處理，獲得所述第一神經網絡輸出的第一特征圖；

基于所述第一特征圖獲得第一注意力圖，所述第一注意力圖中像素的取值與所述訓練圖像中對應像素被采樣到的概率正相關；

根據所述第一注意力圖中全部通道的信息對所述訓練圖像進行非均勻采樣，獲得第一采樣圖像，以及，根據所述第一注意力圖中單個通道的信息對所述訓練圖像進行非均勻采樣，獲得第二采樣圖像；

將所述第一采樣圖像輸入至第二神經網絡進行處理，獲得所述第二神經網絡輸出的第一分類概率，以及，將所述第二采樣圖像輸入至第三神經網絡進行處理，獲得所述第三神經網絡輸出的第二分類概率；

根據所述第一分類概率以及所述第二分類概率計算分類預測損失，并根據所述分類預測損失利用反向傳播算法更新所述第一神經網絡、所述第二神經網絡以及所述第三神經網絡的參數。

2.根據權利要求1所述的圖像分類模型訓練方法，其特征在于，所述根據所述第一注意力圖中全部通道的信息對所述訓練圖像進行非均勻采樣，獲得第一采樣圖像，包括：

對所述第一注意力圖中的全部通道進行平均池化，獲得平均注意力圖；

根據所述平均注意力圖，利用第一非均勻采樣函數對所述訓練圖像進行采樣，獲得所述第一采樣圖像。

3.根據權利要求2所述的圖像分類模型訓練方法，其特征在于，所述根據所述平均注意力圖，利用第一非均勻采樣函數對所述訓練圖像進行采樣，獲得所述第一采樣圖像，包括：

利用如下公式計算獲得所述第一采樣圖像：

其中，Is表示所述第一采樣圖像，S表示所述第一非均勻采樣函數，M表示所述第一注意力圖，A(M)表示所述平均注意力圖，I表示所述訓練圖像，w表示所述訓練圖像的寬，h表示所述訓練圖像的高，i表示w方向上的像素下標，j表示h方向上的像素下標，和分別為以下兩個函數的反函數：

其中，表示A(M)在w 方向上的積分，，表示A(M)在h方向上的積分，。

4.根據權利要求1所述的圖像分類模型訓練方法，其特征在于，所述根據所述第一注意力圖中單個通道的信息對所述訓練圖像進行非均勻采樣，獲得第二采樣圖像，包括：

從所述第一注意力圖的全部通道中隨機選取一個通道；

根據選取出的通道，利用第二非均勻采樣函數對所述訓練圖像進行采樣，獲得所述第二采樣圖像；

其中，每間隔預設的訓練周期重新進行一次的通道隨機選取。

5.根據權利要求1所述的圖像分類模型訓練方法，其特征在于，所述根據所述第一注意力圖中單個通道的信息對所述訓練圖像進行非均勻采樣，獲得第二采樣圖像，包括：

從所述第一注意力圖的全部通道中按照預定的順序選取一個通道；

根據選取出的通道，利用第二非均勻采樣函數對所述訓練圖像進行采樣，獲得所述第二采樣圖像；

其中，每間隔預設的訓練周期按照所述預定的順序重新進行一次通道選取，所述預定的順序為所述第一注意力圖中全部通道的一種排列順序。

6.根據權利要求1所述的圖像分類模型訓練方法，其特征在于，所述基于所述第一特征圖獲得第一注意力圖，包括：

根據所述第一特征圖中各通道間的關系計算所述第一注意力圖。

7.根據權利要求1所述的圖像分類模型訓練方法，其特征在于，所述根據所述第一分類概率以及所述第二分類概率計算分類預測損失，包括：

根據所述第一分類概率和所述訓練圖像的標簽計算第一損失，以及，根據所述第一分類概率和所述第二分類概率計算第二損失；其中，所述第一損失表征所述第二神經網絡預測的分類結果與真實分類結果的差異，所述第二損失表征所述第二神經網絡預測的分類結果與所述第三神經網絡預測的分類結果的差異；

對所述第一損失以及所述第二損失進行加權求和，獲得所述分類預測損失。